解決できる課題 事業紹介トップ 経営データ分析基盤 AI導入・業務改善 AI 業務アプリ 基幹システムのWeb化・段階移行 複雑な SaaS を専用 UI に Shopify Plus 移行・拡張 生成AI 活用(Multi AI) SEO / AIO / 広告運用 顧問・アドバイザリ インフラ構築 PHP脆弱性対策・更新 WordPressからEmDashへの移行 自社メディア投資・開発
AI導入 AI導入・業務改善 ChatGPTの社内導入 OpenAI Codex導入 AI運用・定着 Claude / MCP 総合 Claude Cowork Claude Code 導入支援 Claude Code 使いこなし支援 Claude Design MCP 開発・サーバー構築
EC構築・移行 Shopify Plus トップ EC-CUBEからShopifyへの移行 大手カートからの移行 Shopify 通常プラン EC サイト構築
実績
業界ニュース 業界ニュース トップ AI ニュース └ Claude └ ChatGPT・Codex └ Gemini └ その他 Shopify ニュース SaaS ニュース お知らせ(自社発信)
会社情報 相談する
2026.10.23

OpenAI、ChatGPTの広告基盤を解説 会話の文脈を理解するLLM「オーケストレーター」採用

記事のサマリー(TL;DR)

  • OpenAIは、従来の検索広告のような単発のイベント型ではなく、複数ターンにわたり変化するユーザーの意図に対応するため、ChatGPT向けに独自の広告配信システムを構築したと説明しています。
  • このシステムは、独自に後処理学習(post-trained)されたフロンティアLLM「オーケストレーター」が中核を担い、検索(retrieval)、ランキング、関連性評価、オークションの各機能をツール呼び出しで実行します。広告の選定処理はChatGPTの回答生成とは別サービスで独立して動作し、広告が回答内容に影響しないようにしているとのことです。
  • OpenAIによると、ChatGPTの広告事業は開始から200日足らずで年換算売上高10億ドルの水準に達し、開始以来10万社以上の広告主がChatGPT上で広告を出稿したとしています。

広告システム設計の3つの要点

OpenAIは、発展し続けるユーザーの目的に対応するため、次の3つの設計上の判断を行ったと述べています。

  1. ステートフルな広告セッションの導入:会話の複数ターンにわたり、また複数回の会話をまたいで情報を記憶する仕組みとしています。
  2. ツール呼び出し型アーキテクチャを用いる独自の後処理学習LLMの採用:会話の文脈と背後にある意図を解釈し、広告の選定・ランキング・配信を行います。
  3. 広告選定プロセスをChatGPTの回答生成から分離し、独立したサービスとして実行:広告が回答に影響を与えないようにし、ChatGPTの中立的な語り口を保つためとしています。

詳細

対話型チャットにおける広告のあり方

従来の広告リクエストは、ユーザーが検索クエリを送信したりウェブページを開いたりするといった明確なイベントから始まり、システムは候補広告を検索・ランキングし、オークションを経て適切な広告を表示する、という比較的単純な仕組みでした。しかしChatGPTの会話では、こうした明確な「瞬間」は自然には発生しないとOpenAIは説明しています。

ユーザーは一問一答の検索クエリではなく、旅行の計画、業務用ソフトウェアの選定、住まいの家具選び、新しい趣味の学習といった「目的」を持って会話に臨みます。これは一度のやり取りで完結するものではなく、ChatGPTは会話を通じてユーザーが何を重視しているかを明らかにしていく役割を果たすとされています。

例として、エンジニアリングチームがChatGPTにレースのトレーニング方法を尋ねた会話が紹介されています。ランニングに関する一般的な質問から始まり、数ターン後にトレーニング用シューズについて質問するという流れで、会話が進むにつれて商業的な意味合いが変化していきます。最初のメッセージだけに基づいて動作するシステムでは、意図を完全に誤って捉え、ユーザー体験を損なう可能性があるといいます。

こうした背景から、OpenAIはリクエスト・レスポンス型の従来の広告アーキテクチャを離れ、広告スタックをゼロから構築する必要があったと述べています。

ChatGPTの回答に影響を与えない会話記憶の仕組み

従来型の広告システムのように個々のメッセージを単発のリクエストとして扱うことには、次のようなリスクがあったとOpenAIは説明しています。

  1. ユーザーの目的を単純化しすぎて誤って読み取ってしまう
  2. ユーザーの本当のニーズが明らかになる前に、広告の処理を早く始めすぎてしまう
  3. ユーザーの体験を助けるのではなく、妨げるような広告を表示してしまう
  4. リクエストが変わるたびに広告処理を非効率に再実行し、ノイズとコストの浪費が生じる

そこで、検索・ランキング・配信から成る広告システムは、個々のイベントではなく「ステートフルなセッション」を維持する設計とされました。対象となるターンが続く間、広告セッションは情報を記憶・更新しながら動作し、ChatGPTは初期のリクエストの文脈を広告サーバーに送信します。広告システムは、単一の平坦化されたクエリに頼るのではなく、進行中のやり取りに追随し適応するとしています。

広告選定処理はChatGPTの通常の応答生成と並行して実行され、広告の流れが回答に影響しないようにしています。広告は、独自の適格性・品質・配信制約のもとで会話を処理する別システムによってフィルタリング・選定されます。異なるサービス、異なるモデル、異なるコードという明確なアーキテクチャ上の境界により、ChatGPTのコアサーバーは通常の応答生成に専念でき、広告システムは独立して広告出稿の機会があるかどうかを評価し、該当する場合は別の配信プロセスを通じてスポンサー付き表示を準備するとされています。

この分離には実務上の効果もあるとOpenAIは述べています。ChatGPTは広告システムに依存しておらず、両サービスはコンテンツ生成モデルを共有していないため、広告配信システムが利用不可または低速になった場合でも、ChatGPTの通常の応答には影響がないとのことです。つまり広告システムがChatGPT製品自体を停止・遅延させることはないとしています。またこの分離により、価値ある広告だけを表示する基準を高く保つことができ、広告を一切表示しないことも通常の成功した結果の一つとみなされ、ユーザーと広告主の双方に明確に有益と判断された場合にのみ広告が配信されるとしています。

会話を解釈しツールを呼び出すLLM

広告スタックのもう一つの重要な構成要素が、会話を解釈し、検索段階からランキング、オークション、最終的な配信まで広告処理全体をエージェント的なループの中でツール呼び出しによって実行する後処理学習LLM、「オーケストレーター」です。

広告処理の最初のステップは、検索プロセスを開始するためにユーザーの意図を理解することです。これは、後でフィルタリングする前提であえて広く候補を集める、意図的に速く幅広い検索です。会話を逐次的に受け取ることで、現在の意図と古くなった文脈を区別する必要が生じ、より豊かだが曖昧さも増す検索上の課題が生まれるといいます。オーケストレーターは、過去のメッセージへの参照を解釈し、ユーザーが仮定の話をしている場合を認識し、製品やサービスへの言及をすべて購入意図とみなさないようにする必要があるとされています。

オーケストレーターは、利用可能な会話とユーザーの文脈を使い、ユーザー価値と広告主価値の両方が高い「最も適切な広告」を見つけるという目的のもと、どのツールをいつ呼び出すかを繰り返し判断します。ユーザーが広告のパーソナライズを選択している場合、オーケストレーターは過去の会話に関する非機微な情報も考慮して、より良い広告マッチングを探すとされています。

会話が進み、オーケストレーターがより新しい情報を得ると、更新された文脈で新たなツール呼び出しのセットを実行し、より良い広告を見つけてクライアントに返すことができ、間に合えばクライアント側で新しい広告が使用されるとしています。

広告システムは個々のツールで構成されており、オーケストレーターはそれらを繰り返し呼び出して会話に最適な広告を見つけます。具体的には、会話を短いテキスト要約に変換し、それを意味的な埋め込み(システムが扱いやすい形で保存された意味表現)に変換し、その埋め込みを使って広告候補を検索し、予算やユーザー設定などに基づく適格性でフィルタリングし、品質と関連性を評価し、最終的なランキングによってチャット応答末尾に表示する高価値な候補を特定する、という流れです。各広告は、掲載対象となるために適格性と関連性について高い基準を満たす必要があるとされています。

意図を捉える検索クエリの作成

オーケストレーターLLMはまず、関連する商業的意図を表す1つ以上のクエリを作成します。これには、1対1の検索クエリを超えて商業的な可能性を広げるよう会話の文脈を書き換えること、そしてその後、複数ターンの会話を検索システム向けの要約版に凝縮した意味的表現を作成することが含まれます。

広告の表示は、ユーザーの意図を深く理解した上で初めて、ユーザーと広告主の双方にとってより良いものになるとOpenAIは述べています。複数のクエリによって、意図の異なる側面を保持できます。たとえば旅行の計画に関する会話には、交通手段、宿泊、アクティビティといった別々のニーズが含まれる場合があり、検索システムは会話全体を一つの文字列に圧縮するのではなく、こうした区別を保持できるとしています。

例として、登山靴に関する会話の流れが挙げられています。「ヨセミテへの2日間の旅行で何を準備すべきか」「来週は寒くなるか」「新しい[ブランド名]の製品ラインは?」というやり取りです。ユーザーはシューズブランドに関する質問をヨセミテ旅行と明示的に結び付けていませんが、この会話は広告システム内で「ハイキング旅行に適したシューズ」「旅行に適した新しい[ブランド]の製品ライン」という2つのクエリとして表現される場合があるとされています。これは最初の試みに過ぎず、オーケストレーターはユーザーにとって高い価値のある広告が在庫から見つかるまで、こうした表現を繰り返し調整するよう設計されているとのことです。

候補広告の検索

検索(retrieval)は、意図的に広い候補広告のプールを作成するプロセスです。候補はさまざまな検索戦略から得られ、後に同じ配信条件のもとで競合する場合があります。OpenAIは、異なるシステム・製品上の制約に最適化した複数のインデックスを構築しているとしています(たとえば商品フィード広告向けのインデックスは、商品レビューの有無を考慮して最良の広告を取得するよう設計されているが、これはレビューが関連付けられていない他の広告には当てはまらない、といった例が挙げられています)。各インデックスは、ユーザーの意図を表す埋め込みを用いた近似最近傍探索(ANN検索)の何らかの形式に最適化されています。このANN検索は、大規模な意味インデックス上で広告を高速に取得するための近似アルゴリズムであり、「正しい」解を厳密に探すのではなく、関連候補の大部分を保持しつつ良い解に近いものを素早く得る仕組みとされています。

不適格な候補の除外

フィルタリングの目的は、関連性、入札額、予算の観点で掲載基準を満たさない広告候補をすべて除外することです。候補や設定に応じて、以下のようなチェックが含まれるとされています。クリエイティブおよびキャンペーンの有効性(キャンペーンや広告クリエイティブが有効か)、キャンペーンのターゲティング(例:キャンペーンが運用可能な地域)、ポリシー上の制約(広告対象に関するコンプライアンス要件)、予算の有無(キャンペーンに使用可能な予算が残っているか)、ペーシング(キャンペーンが今予算を使うべきか、それとも一日の別の時間帯に使うべきか)、配置の適合性(この広告がどのような会話に対して掲載可能か)、広告主・キャンペーン単位の重複排除(企業間の公平な参加を確保するため、広告主ごとに適切な数の広告を選ぶこと)です。

関連性と品質の評価

適格性チェックを通過した候補は、スコアリングの段階に進みます。ここではオーケストレーターが、意味的関連性(広告がユーザーの目的に関連しているか)、予測エンゲージメント(広告が視聴・クリックされ、広告主が望む成果に結びつきそうか)、過去の実績(これまでユーザーに表示された際の広告の成績)といったサービス面の要素について、各種スコアリングシステムをツール呼び出しで利用します。オーケストレーターはオークションの前に、関連性と安全性を確保するための広告フィルタリングも行います。これらのシステムは候補をオークションに向けてより小さなプールに絞り込みますが、最終的にどの広告が配信されるかを決定するものではないとされています。

広告オークションの実行

オーケストレーターは、準備された候補を会話の文脈の中で評価し、最終オークションに参加させるのに十分妥当な広告候補を選びます。オーケストレーター自体がどの広告を配信するかを直接決定したり、価格を設定したりすることはなく、オークションツールが評価すべき文脈上適切な候補を指名する役割を担うとされています。

オークションは、オークション参加の可否判定(関連性と価値の最低基準をクリアしているか)、ペーシング(広告予算をより均等に使う)、入札およびオークション関連特徴量の計算、品質調整済みランキング、価格設定、最終選定といった、最終的な配信メカニクスを適用します。

最終的な適格性チェック

オークション後、ChatGPTの対話形式に特有の理由で広告が配信されない場合が2通りあるとされています。

  • 広告がチャットの文脈にふさわしくないと感じられる場合:会話自体が広告掲載に安全だとインテグリティモデル(広告を出すべきタイミングを判断するモデル)によって判定され、広告自体もポリシーに準拠していると判定されていても、特定の会話の文脈では広告が不適切に感じられる場合があり、オーケストレーターはそうした広告の表示をブロックします。
  • 広告リクエストが間に合わない場合:ChatGPTのモデルが応答の準備を終えているにもかかわらず広告の準備が間に合わない場合、広告リクエストはタイムアウトし、広告は配信されません。そのため広告システムの目標の一つは、できる限り高速に動作することだとされています。ChatGPTのモデルの応答時間は動的であり、広告の読み込みを待つためにチャット応答を遅らせることはないとしています。

上記すべてのチェックを満たした場合、広告はフロントエンドにレンダリング用として送られます。OpenAIはこれを「サーバーサイドでの広告配信」と呼んでいますが、それでもなおユーザーには広告が表示されない場合があり、これは意図的な設計だとしています。

最終ステップ:ユーザーへの広告表示

ChatGPTのような対話型製品では、広告クリエイティブがサーバーサイドで配信されたとしても、広告が表示されることは保証されません。広告がその時点のターンに間に合うように到着する必要があります。広告クリエイティブには、タイトル、説明文、リンク先、コールトゥアクションが含まれます。さらに、広告が会話とどう関連するかを説明する短く中立的な導入文である「プリアンブル」も、広告システムからあわせて返されます。プリアンブルをクリエイティブ本体と分離しておくことで、広告主のメッセージを保ちながらChatGPT自体の語り口の中立性を維持しているとのことです。

ChatGPTのフロントエンドはプリアンブルと広告クリエイティブを一つのまとまりとして受け取ります。ChatGPTの応答が完全に生成される前にこれが届けば、フロントエンドはChatGPTの応答の下に、スポンサー表示であることを明示したラベル付きで広告を表示します。到着が遅すぎた場合、そのターンでは広告は表示されません。これが、サーバーサイドでの広告配信と、ユーザーに実際に表示される広告インプレッションとの違いだとされています。

広告の「勝者選定」と「配信」は別のイベントであり、選定された広告は、ChatGPTがその掲載を承認・表示し、配信が確認されて初めて「配信」となります。

ロギングとモデルによる自己改善

OpenAIの広告スタックは従来型のロギングとデータパイプラインを使用しており、これには主に3つの利点があるとしています。広告主が既存システムを広告スタックと統合しやすくなること、広告主がレポートデータをもとに戦略を改善できること、そしてOpenAIのチームがシステムの改善点を見つけられることです。これらのレポーティング・最適化ツールに加えて、配信結果を評価し他の広告モデルを訓練するために高品質なモデルを用いており、これが強力な自己改善のループを生み出しているとしています。

何が起きたかの詳細な内訳は、広告システムの各部分を個別に理解・改善する助けになるとされています。ログ処理システムは、以下のような粒度の細かい結果も記録しています。

  • そのターンは広告の対象として適格ではなかった
  • 広告セッションは開始されたが検索リクエストは行われなかった
  • 検索結果に候補が得られなかった
  • 候補は検索されたがハイドレーションまたは適格性チェックで失敗した
  • 広告が配信され、その後インタラクションを受け取った

こうした詳細な内訳により、広告配信システムの各部分を個別に改善できるとされています。機会検出の改善に必要な根拠は、検索・候補品質・オークション参加・配信の信頼性の改善に必要な根拠とは異なるとのことです。

配信、サービング、品質に関する各システムはライフサイクルの異なる部分を観測しており、プライバシーを考慮した処理によって、計測やモデル改善にどの情報を利用できるかが決まるとされています。

高性能モデルによるスタック全体の評価・改善

モデルベースの評価の考え方は、最も強力で高い推論能力を持つモデルがシステムの結果を観察・判定し、その結果をもとに後処理学習LLMをより良く機能するよう訓練するというものです。たとえば、最も強力なモデルがフィードバックを集めて小規模な「ワーカー」モデルを訓練することで、オーケストレーションや検索には、より小規模で効率的な、あるいは推論能力の低いモデルを使うことができるとされています。

人間のフィードバックが方向性を導く

OpenAIは、ユーザーからのクリックや非表示操作、ユーザー向けアンケート、Ads Managerを通じた広告主からの直接のフィードバックといった人間のフィードバックを収集し、対応しているとしています。また構築過程でチームがフィードバックを受け付けられるようにし、ChatGPTのユーザーと広告主双方が求めるものに直接耳を傾けているとのことです。この種のフィードバックは、モデルによる観察的なフィードバック以上に製品の方向性に影響を与えており、迅速に適切な製品上の意思決定へと反復していく助けになったとしています。モデルはユーザーの意図を理解し、価値あるものを届けるために批判的に考えることができるかもしれないが、「好み(テイスト)」を形作るのは人である、としています。

今後の展望

1年前、OpenAIには広告システムがなく、この課題領域について考えているのはごく少数の人員だけだったといいます。現在では、LLMベースのオーケストレーターが広告の流れを動かし、年換算売上高10億ドル超を生み出す堅牢な広告システムを有しているとのことです。コーディング支援ツールのCodexは、このシステムを立ち上げ、前例のない速さでこの大きな利用実績の節目に到達するための重要な「力の倍増要因」だったとOpenAIは述べています。当初からチームと開発ワークフローは、Codexを使ってシステムを迅速に構築・拡張できるように整備され、Codexが安全かつ確実にコードを出荷できるようガードレールも構築したとしています。並行して、新機能、品質改善、システム性能向上を含め、知見収集とシステム改善の反映のループを大幅に短縮するためのデータインフラ用プラグインもCodex向けに整備したとのことです。

OpenAIは、自社の広告原則に基づくシステムの境界と、LLMベースのオーケストレーターの組み合わせにより、すべての会話を広告リクエストとして扱うことなく広告を有用なものにできているとしています。今後については、ユーザー価値を高めるためのより動的な広告フォーマット(たとえば、広告を通じてユーザーが企業と直接やり取りできるようにする機能)や広告主価値の向上について、引き続き実験を続けるとしています。継続的なフィードバックループを備えたOpenAIのモデルを基盤とする、このスタックの自己改善型アーキテクチャにより、今後も関連性とパーソナライゼーションの改善を進めていくとしています。